Estadística No Paramétrica: Regresión No Paramétrica y Suavizado · Introducción

Introducción

De qué trata esta guía

Un tratamiento exhaustivo y matemáticamente riguroso sobre la estimación funcional, el suavizado por núcleo, polinomios locales, splines penalizados y modelos aditivos, fundamentales para la inferencia estadística moderna libre de distribuciones.

Recorrido

Temas que aborda

Introducción
Regresión No Paramétrica y Métodos de Suavizado
Marco Teórico de la Regresión No Paramétrica
El Dilema Fundamental: Compromiso Sesgo-Varianza
Estimadores Basados en Núcleo (Kernel Smoothing)
El Estimador de Nadaraya-Watson

Conceptos relacionados

Conexiones principales

Notación compatible

Muestra matemática en LaTeX

La expresión se renderiza de forma accesible y conserva debajo su fuente LaTeX.

m(x) = \mathbb{E}[Y \mid X = x] = \int_{\mathbb{R}} y \, f_{Y|X}(y|x) \, dy

Ver LaTeX fuente

m(x) = \mathbb{E}[Y \mid X = x] = \int_{\mathbb{R}} y \, f_{Y|X}(y|x) \, dy